在python中画正态分布图像的实例

时间:2022-09-27 11:54:19

1.正态分布简介

正态分布(normal distribtution)又叫做高斯分布(Gaussian distribution),是一个非常重要也非常常见的连续概率分布。正态分布大家也都非常熟悉,下面做一些简单的介绍。

假设随机变量XX服从一个位置参数为μμ、尺度参数为σσ的正态分布,则可以记为:

在python中画正态分布图像的实例

而概率密度函数为

在python中画正态分布图像的实例

2.在python中画正态分布直方图

先直接上代码

  1. import numpy as np
  2. import matplotlib.mlab as mlab
  3. import matplotlib.pyplot as plt
  4.  
  5. def demo1():
  6. mu ,sigma = 0, 1
  7. sampleNo = 1000
  8. np.random.seed(0)
  9. s = np.random.normal(mu, sigma, sampleNo)
  10.  
  11. plt.hist(s, bins=100, normed=True)
  12. plt.show()

上面是一个标准正态分布的直方图。最后输出的图像为:

在python中画正态分布图像的实例

很多同学心里会有疑惑:这个图像看上去虽然是有点奇怪,虽然形状有点像正态分布,但是差得还比较多嘛,不能算是严格意义上的正态分布。

为什么会有这种情况出现呢?其实原因很简单,代码中我们设定的smapleno = 1000。这个数量并不是很大,所以整个图像看起来分布并不是很规则,只是有大致的正态分布的趋势。如果我们将这个参数加大,相当于增加样本数量,那么整个图像就会更加接近正态分布的形状。跟抛硬币的原理一致,抛的次数越多,正面与反面的出现概率更接近50%。

如果我们将sampleno设置为1000000,分布图像如下。

在python中画正态分布图像的实例

下面这个图像是不是看起来就漂亮多了!

3.画直方图与概率分布曲线

  1. import numpy as np
  2. import matplotlib.mlab as mlab
  3. import matplotlib.pyplot as plt
  4.  
  5. def demo2():
  6. mu, sigma , num_bins = 0, 1, 50
  7. x = mu + sigma * np.random.randn(1000000)
  8. # 正态分布的数据
  9. n, bins, patches = plt.hist(x, num_bins, normed=True, facecolor = 'blue', alpha = 0.5)
  10. # 拟合曲线
  11. y = mlab.normpdf(bins, mu, sigma)
  12. plt.plot(bins, y, 'r--')
  13. plt.xlabel('Expectation')
  14. plt.ylabel('Probability')
  15. plt.title('histogram of normal distribution: $\mu = 0$, $\sigma=1$')
  16.  
  17. plt.subplots_adjust(left = 0.15)
  18. plt.show()

最后得到的图像为:

在python中画正态分布图像的实例

以上这篇在python中画正态分布图像的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。

原文链接:https://blog.csdn.net/bitcarmanlee/article/details/79153932